UMAが理論レベルをtask入力に移した理由

Brandon M. Wood ほか, “UMA: A Family of Universal Models for Atoms”, Advances in Neural Information Processing Systems 38（NeurIPS 2025）, pp. 143528–143564, DOI 10.52202/085713-4310。arXiv:2506.23971（v1 2025年6月30日・v2 2026年3月4日）。「UMAモデルは、分子・材料・触媒など複数の化学ドメインにまたがるデータを編纂し、5億の一意な3次元原子構造で学習する（これまでで最大の学習）」(“UMA models are trained on half a billion unique 3D atomic structures (the largest training runs to date) by compiling data across multiple chemical domains, e.g. molecules, materials, and catalysts.”)、「UMAのsmallとmediumは、速度を犠牲にせずにモデル容量を増やせる、mixture of linear expertsと呼ぶ新しい設計を使う。たとえばUMA-mediumは1.4Bパラメータを持つが、原子構造あたりの活性パラメータは約50Mである」(“The UMA small and medium models utilize a novel architectural design we refer to as mixture of linear experts that enables increasing model capacity without sacrificing speed. For example, UMA-medium has 1.4B parameters but only ~50M active parameters per atomic structure.”)、「微調整なしの単一モデルが、専門モデルと同等かそれ以上の性能を出せる」(“a single model without any fine-tuning can perform similarly or better than specialized models.”)と書く。本文（arXiv v2 PDF）は「DFT taskは、五つの学習データセットのDFT設定のどれをモデルが再現しようとするかを示す」(“The DFT task indicates which of the five training dataset DFT settings the model should attempt to replicate.”)、「データセットごとに平面波または局在軌道のDFT計算プログラム（VASPとORCA）と理論レベルが異なるので、これが必要である」(“This is necessary since different datasets use different plane-wave or localized orbital DFT calculators (VASP [39, 40] and ORCA [51]) and levels of theory.”)、「原子番号と位置がまったく同じ二つの入力でも、異なるDFT設定を使えばDFTのラベルは異なる」(“For two inputs with exactly the same atomic numbers and positions, the DFT labels will be different when different DFT settings are used.”)と書く。比較表は既存モデルの一つに”SevenNet-MF-ompa [37]“を挙げ、参考文献[37]はSevenNet-MFの論文（Kimほか、J. Am. Chem. Soc. 147(1)）である（v1も同じ）。https://arxiv.org/abs/2506.23971 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

FAIR Chemistry（Meta）, fairchem docs “UMA Models”（GitHub、2026年9月22日取得）。「Mixture-of-Linear-Expert（MoLE）アーキテクチャはUMAの性能の鍵である。単一の出力ヘッドと動的ルーティングにより、非常に高いパラメータ数と速い推論速度を両立する」(“The Mixture-of-Linear-Expert (MoLE) architecture is key to UMA’s performance. It enables very high parameter count with fast inference speeds by using a single output head with dynamic routing.”)、「taskは再現する理論レベル／DFT計算を指定する: omol、oc20、omat、odac、omc」(“The task specifies the level of theory/DFT calculations to emulate: omol, oc20, omat, odac, omc”)、「UMAは理論レベルの異なる5つのDFTデータセットで学習する。UMAのtaskは、そのDFTデータセットに結びついた特定の理論レベルを指す。UMAは与えられたtaskの埋め込みを学習する」(“UMA is trained on 5 different DFT datasets with different levels of theory. An UMA task refers to a specific level of theory associated with that DFT dataset. UMA learns an embedding for the given task.”)、「系の既知の総電荷（omol taskでのみ使われ、既定値は0）」(“Total known charge of the system (only used for omol task, defaults to 0)”)、「順序のない全元素組成。各元素は原子埋め込みを持ち、組成埋め込みは全原子埋め込みの平均である」(“The unordered total elemental composition. Each element has an atom embedding and the composition embedding is the mean over all atom embeddings.”)と書く。usage notesは、omolについて「総電荷とスピン多重度を要する」(“Requires total charge and spin multiplicity.”)、omatについて「スピン分極の効果は含まれるが、磁気状態は指定できない。さらに、OMat24は学習データで可能なスピン状態を十分に標本化していない」(“Spin polarization effects are included, but you can’t select the magnetic state. Further, OMat24 did not fully sample possible spin states in the training data.”)、oc20について「OC20には酸化物も明示的な溶媒も含まれない」(“No oxides or explicit solvents are included in OC20.”)、odacについて「ODAC23データセットはCO2/H2Oの吸着だけを含むので、それ以上のもの（たとえばMOF中の炭化水素）は不正確になりうる」(“The ODAC23 dataset only contains CO2/H2O water absorption, so anything more than might be inaccurate (e.g. hydrocarbons in MOFs).”)と書き、oc22については「UMA-1.2でのみ利用可能」(“Only available in UMA-1.2”)と書く。taskの選び方については「応用の分野に基づいてtaskを選ぶ。各taskは、その分野に合わせた特定のDFT理論レベルに対応する」(“Choose your task based on the application domain. Each task corresponds to a specific DFT level of theory optimized for that domain.”)と勧める。https://github.com/facebookresearch/fairchem/blob/main/docs/core/uma.md ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴ ↩¹⁵

Jaesun Kim ほか, “Data-Efficient Multifidelity Training for High-Fidelity Machine Learning Interatomic Potentials”, Journal of the American Chemical Society 147(1), 1042–1054 (2025; Web公開 2024年12月17日), DOI 10.1021/jacs.4c14455。arXiv:2409.07947（v1 2024年9月12日）。「multi-fidelityデータベースで同時に学習するMLIPの枠組みを示す」(“we present an MLIP framework that trains on multi-fidelity databases simultaneously.”)、「Materials ProjectのGGAとmeta-GGAの両方のデータを使う汎用MLIPも開発し、結晶一般のハル上エネルギー予測のような高精度タスクでMLIPの性能を大きく向上させる」(“We also develop a general-purpose MLIP that utilizes both GGA and meta-GGA data from the Materials Project, significantly enhancing MLIP performance for high-accuracy tasks such as predicting energies above hull for crystals in general.”)、「本研究のmulti-fidelity学習は、転移学習やΔ学習より有効である」(“the present multi-fidelity learning is more effective than transfer learning or $\Delta$-learning”)と書く。本文（arXiv v1 PDF）は「∆学習法は同じ配置について低精度と高精度の両方のデータを要する」(“the ∆-learning method requires both low- and high-fidelity data for the same configurations”)、「転移学習は…破滅的忘却や負の転移のような問題を起こしやすい」(“it is susceptible to problems like catastrophic forgetting and negative transfer”)、「転移学習と∆学習は…パリティプロットの決定係数がそれぞれ−4.55と0.31」(“their accuracy is significantly lower compared to the multi-fidelity MLIP, with R2 values of −4.55 and 0.31 in the parity plots, respectively”)、multi-fidelity MLIPは「決定係数0.98の高い相関」(“a high correlation with R2 of 0.98”)と書く。比べる相手は、図3の説明の「破線は参照用の高精度MLIPの結果を示す」(“The dashed line indicates results with the reference high-fidelity MLIP.”)、「multi-fidelityと高精度のMLIPの間のΔEmixのパリティプロット」(“The parity plot of ∆Emix between multi-fidelity and high-fidelity MLIPs.”)のとおり、高精度の計算条件のデータで学習した参照用のモデルである。立ち位置: リポジトリMDIL-SNU/SevenNetは2023年2月16日に作られ、2026年9月22日時点のスターは273（GitHub API調べ）。READMEは「計算設定の異なる複数データベースを組み合わせるmulti-fidelity学習」(“Multi-fidelity training for combining multiple databases with different calculation settings”)を機能として挙げ、事前学習モデルSevenNet-MF-ompaを配布する。https://arxiv.org/abs/2409.07947 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶

FAIR Chemistry（Meta）, fairchem README（GitHub、2026年9月22日取得）。「単一のumaモデルは、ドメイン固有の予測のために適切なtask名を選ぶことで、化学と材料科学の幅広い応用に使える」(“A single uma model can be used for a wide range of applications in chemistry and materials science by picking the appropriate task name for domain specific prediction.”)、「UMAモデルと、OMat24で学習した旧来の無機バルクモデルは、DFTおよびDFT+Uの全エネルギーラベルで学習している」(“UMA models and legacy inorganic bulk models trained using OMat24 are trained with DFT and DFT+U total energy labels.”)、「これらはMaterials Projectの計算とは互換でない」(“These are not compatible with Materials Project calculations.”)、「OMat24で学習したモデルを使うとき、MP2020補正やMPの基準化合物を使ってはならない」(“Do not use MP2020 corrections or use the MP references compounds when using OMat24-trained models.”)、「生成エネルギーやハル上エネルギーのようなエネルギーの差を計算してMaterials Projectの計算と比べるときは、DFTの擬ポテンシャルが異なり、磁気的な基底状態も異なりうるので、さらに注意が要る」(“Additional care must be taken when computing energy differences, such as formation and energy above hull and comparing with calculations in the Materials Project since DFT pseudopotentials are different and magnetic ground states may differ as well.”)、「2026年3月、UMA-1.2公開」(“March 2026 - UMA-1.2 released!”)、「2025年6月、UMA/OMol初公開」(“June 2025 - UMA/OMol first released!”)、「fairchemはMIT Licenseの下で利用できる。モデル／チェックポイントのライセンスは応用領域ごとに異なる」(“fairchem is available under a MIT License. Models/checkpoint licenses vary by application area.”)と書く。立ち位置: リポジトリfacebookresearch/fairchemは2019年9月26日に作られ、2026年9月22日時点のスターは2,261（GitHub API調べ）。fairchem_core 2.22.0は2026年8月17日に公開された。https://github.com/facebookresearch/fairchem ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

Hugging Face, facebook/UMA model card（2026年9月22日取得）。「FAIR Chemistry License v1、最終更新2025年5月14日」(“FAIR Chemistry License v1 Last Updated: May 14, 2025”)、「このモデルにアクセスするには連絡先情報の共有に同意する必要がある」(“You need to agree to share your contact information to access this model”)、「このリポジトリは公開されているが、ファイルと内容にアクセスするには条件に同意しなければならない」(“This repository is publicly accessible, but you have to accept the conditions to access its files and content”)と書く。2026年9月22日時点のLikeは413。本稿は条項の解釈をしない。https://huggingface.co/facebook/UMA ↩

FAIR Chemistry（Meta）, fairchem docs “fairchem>=2.0”（GitHub、2026年9月22日取得）。「fairchem>=2.0はトレーナー・微調整・モデル・calculatorを完全に書き直した大改訂であり、旧OCPCalculatorとトレーナーのコードは復活しない」(“fairchem>=2.0 is a major upgrade with completely rewritten trainer, fine-tuning, models, and calculators. The old OCPCalculator and trainer code will NOT be revived.”)と書き、v1の呼び出し例としてモデル名指定を示す(“model_name=“EquiformerV2-31M-S2EF-OC20-All+MD"")。https://github.com/facebookresearch/fairchem/blob/main/docs/core/fairchemv1_v2.md ↩ ↩²

Jaesun Kim ほか, “Optimizing cross-domain transfer for universal machine learning interatomic potentials”, Nature Communications 17, 3432 (2026), DOI 10.1038/s41467-026-70195-8（arXiv:2510.11241）。「SevenNet-Omniを、分子・結晶・表面にまたがる15の公開データセットで学習する」(“we train SevenNet-Omni on 15 open datasets spanning molecules, crystals, and surfaces.”)、「各データベースは別々のtaskに割り当てるが、同一の計算プロトコルのデータベースは同じtaskにまとめる。task固有の推論をchannelとも呼ぶ」(“Each database is assigned to a distinct task, but databases with identical computational protocols are grouped under the same task. We also use the term channel to refer to task-specific inference.”)、「DPAは31のデータベースを集約したOpenLAM-v1で学習する」(“whereas DPA is trained on OpenLAM-v1, which aggregates 31 databases”)、「DPAは最終の多層パーセプトロン段でone-hot符号化により学習データベースを区別する」(“DPA employs a one-hot encoding scheme at the final multilayer perceptron stage to distinguish training databases when predicting atomic energies.”)、「UMA.omcとDPA.mpは…channel間で精度に大きなばらつきを示す」(“they exhibit large variations in accuracy among channels, whereas 7net-Omni maintains more uniform error levels”)、「omat channelは分子のエネルギーが不正確で、OMol25データベースからの転移が限られることを示唆し、omc channelは無機結晶の安定構造の同定に難がある」(“the omat channel suffers from inaccurate molecular energies, suggesting limited transferability from the OMol25 database, while the omc channel struggles to identify stable structures of inorganic crystals.”)、「UMA.omatはUMA.oc20よりはるかに大きな誤差を示し、非効率な知識転移を示す」(“UMA.omat shows much larger errors than UMA.oc20, indicating inefficient knowledge transfer.”)と書く。この吸着の比較で、oc20 channelはRPBE参照に当てている(“The white bullets on the multi-task models indicate the MAE of the oc20 channel relative to RPBE reference values”)。同じ段落は「7net-OmniのPBEの性能は7net-Omni.oc20を上回る」(“showing that the PBE performance of 7net-Omni exceeds that of 7net-Omni.oc20”)、「DPA.omatにも同様の傾向が見られる」(“A similar trend is observed for DPA.omat.”)と書いたうえで、UMAを「対照的に」(“By contrast”)と並べる。比較したUMAはUMA-m-1p1、DPAはDPA-3.1-OpenLAM。https://www.nature.com/articles/s41467-026-70195-8 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷

Mikołaj J. Gawkowski ほか（Artrith・Riebesell・Hörmann・Kapilらを含む17名）, “Dyna-Mat: End-to-end benchmarking of foundation machine learning interatomic potentials in finite-temperature ensembles”, arXiv:2607.03433, v1 2026年7月3日。「四つのモデル階層にわたる15の基盤MLIPを評価する」(“we evaluate 15 foundation MLIPs across four model tiers”)、「『平均では』単点の力誤差が低いモデルは、構造と動的観測量の誤差も低いことが分かった。しかし、力誤差が低くても予測構造の定性的失敗につながる個別の系がある」(“We find that “on average” models with lower single-point force errors also yield lower errors for structural and dynamical observables. However, there are individual systems for which low force errors lead to qualitative failures in the predicted structure.”)、「圧力は多くのモデルで記述が悪いままで、現在の大規模学習データセットで利用できるDFT応力ラベルの限界を指す」(“Pressure remains poorly described across most models, pointing to limitations in the density functional theory stress labels available in current large-scale training datasets.”)、「最新世代のクロストレーニングされたモデルは、ここで考慮した精度指標の上ではパレート最適に近い」(“the latest generation of cross-trained models is close to Pareto-optimal according to the accuracy metrics considered here”)と書く。本文（PDF）は、「Tier 4は、複数の参照データセットと電子状態計算の設定にまたがって学習した多ヘッドまたは多taskのモデルからなる」(“Tier 4 consists of multi-head or multitask models trained across multiple reference datasets and electronic-structure settings”)と定義し、Tier 4のUMAについて「UMA-S-P1とUMA-M-P1は、OMat24・OMol25・OC20++・OMC25・ODAC25を組み合わせたデータセットで学習している。両UMAモデルともp1チェックポイントを使う」(“which are trained on the combined OMat24, OMol25, OC20++, OMC25, and ODAC25 datasets. For both UMA models, we use the p1 checkpoints.”)、「各階層で最も性能の悪いモデル同士を比べると」(“if we compare the worst-performing models within their respective Tiers”)、「UMA-M-P1は21.5%という高いRDF誤差を示し、MACE-MP-0の12.2%と比べて、この系の外れ値である」(“UMA-M-P1 yields a high RDF error of 21.5%, compared with 12.2% for MACE-MP-0, indicating that UMA-M-P1 is an outlier for this system.”)、「Tier 4は主にUMAモデルの大きな圧力誤差のために、最も高い圧力MAE中央値3.40 GPaを示す」(“Tier 4 exhibits the highest median pressure MAE, 3.40 GPa, mainly due to the large pressure errors of the UMA models.”)、「Fig. S5にUMA-S-P1について示すように」(“As shown in Fig. S5 for UMA-S-P1”)、「セルを零圧で先に緩和すれば、この系の妥当な圧力のNVTシミュレーションは回復できる」(“can be recovered by first relaxing the cell at zero pressure”)、「試すモデルでセルを先に緩和せずに、実験で決めた単位胞をそのまま使うときは注意が要る」(“This highlights the need for caution when using experimentally determined unit cells directly, without first relaxing the cell with the model being tested.”)、「Pt3Coについてのモデル固有の失敗を除き」(“except for the model-specific failure for Pt3Co also reflected in the RDF”)、「OMat24で学習したモデルは概して低い圧力誤差を示すが、300 KのPt3CoでのUMAモデルの外れ値的な振る舞いは別で、そこでは誤差が1000%を超える」(“Models trained on OMat24 generally yield lower pressure errors, apart from the outlier behaviour of the UMA models for Pt3Co at 300 K, where the error exceeds 1000%.”)、「現在の大規模学習データセットで使われているDFT設定は、有用なエネルギーと力の学習には十分だが、応力テンソルには必ずしも十分でない」(“the DFT settings used in current large-scale training datasets are sufficient for learning useful energies and forces, but not necessarily for stress tensors”)、「パレート前線は三つのモデルからなる。最初のパレート最適モデルはTier 2のorb-v2、次にTier 3のGRACE-2L-OAM、最後のパレート最適モデルはTier 4のMACE-MH-1-OMAT」(“The Pareto frontier consists of three models. The first Pareto-optimal model is the Tier 2 orb-v2, followed by the Tier 3 GRACE-2L-OAM. The final Pareto-optimal model is the Tier 4 MACE-MH-1-OMAT”)と書く。https://arxiv.org/abs/2607.03433 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹